استخراج خودکار مدل حاشیه ساختمان‌ها با استفاده از یادگیری انتقالی عمیق

در تحقیق‌های اخیر با تکیه بر روش‌های یادگیری عمیق، اتصالات و خطوط به طور مستقیم از روی مجموعه داده‌های مقیاس بزرگ دارای برچسبِ دستی یادگیری می‌شوند. در این روش‌ها، شبکه‌های عصبی کانولوشنی مناسب برای هر یک از خطوط و اتصالات را بطور جداگانه طراحی کرده و سپس خروجی این شبکه‌ها را با هم ترکیب و یک وایرفریم کامل (تمامی خطوط مستقیم برجسته و اتصالات یک صحنه) را بدست می‌آورند. در این تحقیق سعی شده تا بدون استفاده از داده‌های عمق و با کمک شبکه‌های عصبی عمیق، ایده استخراج حاشیه بیرونی ساختمان‌ها، با روش استخراج خطوط و اتصالات بصورت وایرفریم از روی تصاویر هوایی مناطق شهری، پیاده‌سازی شود. برای انجام این کار به جای ایجاد مجموعه‌های آموزشی بزرگ و آموزش هر مدل از ابتدا، از روش یادگیری انتقالی انتها به انتها استفاده شده است. برای اینکار مدلی با دو شبکه متفاوت برای شناسایی اتصالات و خطوط انتخاب گردیده است که از قبل با 5000 داده برچسب‌دار شامل تصاویر نماهای داخلی و بیرونی محیط‌های دست ‌ساز بشر آموزش دیده است. هم چنین یک مجموعه ‌داده آزمایشی شامل 41 تصویر هوایی از شهرهای مختلف، همراه با حاشیه‌نویسی مربوط به وایرفریم ساختمان‌ها ایجاد شد و روی مدل‌های از قبل آموزش دیده مورد آزمایش قرار گرفت.